У меня шумное изображение с несколькими прямоугольниками. Визуально говоря, прямоугольники довольно очевидны. Все они вертикальные или горизонтальные , они не отображаются под разными углами. Их цвет / интенсивность также довольно постоянны. Я хочу обнаружить эти прямоугольники и, если возможно, обнаружить прямоугольники внутри других прямоугольников или сверху / поперек.
Исходное изображение:
Изображение с ожидаемыми прямоугольниками / квадратами (могут быть тонкие вертикальные линии, независимо от того, обнаружены они как прямоугольники или нет):
Исходя из того, что я понял, это довольно ручная работа, требующая
- преобразования изображения в оттенки серого 8 бит (мое изображение уже в серой шкале)
- добавить гауссовский шум для сглаживания изображения
- преобразовать результат в черно-белый, например, с помощью
adaptiveThreshold
- расширить результат, чтобы попытаться объединить детали, которые больше не соприкасаются
- стирают результат для удаления небольшого нежелательного шума
- запускают некоторый алгоритм для обнаружения форм
Я сейчас вычисляю следующее изображение:
Примечания к sult:
- шума нет (хотя на некоторых других изображениях я все еще получаю небольшие пятна шума здесь и там)
- прямоугольники не все закрыты
- один маленький прямоугольник / квадрат слева теперь может быть трудно определить рядом с вертикальной линией
Мои вопросы
- Есть ли лучший способ сделать это?
- Как мне go при обнаружении прямоугольников, которые в настоящее время не все закрыты? Знание того, что они всегда горизонтальные или вертикальные и имеют почти постоянный цвет, должно помочь.
Обратите внимание, что я также пробовал Canny, но у меня не получаются хорошие результаты.
Я использую OpenCV 4.1.2 с Python 3.7.2. Вот мой текущий код:
import cv2
import numpy
import platform
import sys
print("Python version: {}\nOpenCV version: {}".format(platform.python_version(), cv2.__version__))
# Used variables:
# For gaussian blur
gaussianBlur = 11
# For threshold
meanType = cv2.ADAPTIVE_THRESH_MEAN_C
meanTypeName = "Mean"
blockSize = 17
c = 3
# For close/open
growSize = 6
shrinkSize = 3
# Import image.
imageName = sys.argv[1]
image = cv2.imread(imageName)
# Convert to gray scale 8 bit, blur then take threshold.
grayscaled = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(grayscaled, (gaussianBlur, gaussianBlur), 0)
thresholded = cv2.adaptiveThreshold(blurred, 255, meanType, cv2.THRESH_BINARY_INV, blockSize, c)
# Close then Open to try to "close" the rectangles and remove noise.
rectClose = cv2.getStructuringElement(cv2.MORPH_RECT, (growSize,growSize))
rectOpen = cv2.getStructuringElement(cv2.MORPH_RECT, (shrinkSize,shrinkSize))
mask = cv2.morphologyEx(thresholded, cv2.MORPH_CLOSE, rectClose)
mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, rectOpen)
result = mask
# Compute contours and display them on the gray scale image
contours, hierarchy = cv2.findContours(result, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
resultWithContours = grayscaled
cv2.drawContours(resultWithContours, contours, -1, (0,0,255), cv2.FILLED)
# Display threshold image and original with detected contours.
both = numpy.concatenate([result, resultWithContours], axis=0)
cv2.imshow("{} Block Size={} C={}".format(meanTypeName, blockSize, c), both)
# Save both threshold and original with detected contours.
cv2.imwrite("{}_result_{}_blockSize{}_c{}.jpg".format(imageName, meanTypeName, blockSize, c), result)
cv2.imwrite("{}_contours_{}_blockSize{}_c{}.jpg".format(imageName, meanTypeName, blockSize, c), resultWithContours)
cv2.waitKey(0)
cv2.destroyAllWindows()